臺灣博碩士論文加值系統

國軍近年來無論在戰備演訓、災害防救與教育訓練等工作上，均有具體成效。我國陸軍直升機除執行戰訓本務工作外，當國內發生各項重大事故時，亦全力投入救災工作，擔負起保衛人民生命、財產安全的重責大任，故直升機的妥善狀況直接影響任務成功與否，甚至於任務中發生非預期性故障，勢必造成更重大傷亡，因此，建立直升機關鍵性零組件失效預測系統，可精進機隊關鍵性零組件維修管理並提升直升機妥善率。
本研究是以陸軍某型直升機機上發動機(T700-GE-401型)的電子控制單元為例，蒐集影響電子控制單元故障時數的6項關鍵因素，分別為熱電偶總成、液壓機械控制單元線性可變位移傳感器、動力渦輪轉速感應器、扭力及超速感應器、超速漏放瓣電磁閥、液壓機械控制單元扭力馬達等電阻值。並以我國陸軍直升機維修單位2014年至2017年的電子控制單元檢測數據為樣本，先使用主成份分析法(PCA)實施分析，找出主要差異的關鍵因素(變異數)，再將其投入倒傳遞類神經網路(BPN)模型進行訓練，使用試誤法及RMSE值測量預測誤差，測試最佳神經元個數、學習速率訓練次數與學習率之參數值，以獲得最佳的預測效果，藉以預測電子控制單元之故障時間。
研究結果顯示，使用主成分分析法，從造成發動機損壞的六項成因中，分析出主要的三項關鍵因素後，再導入倒傳遞類神經網路實施訓練，並設定神經元數為12、學習速率為0.9、學習循環次數為50,000，做預測模式建立的條件，求得之平均絕對率誤差率(MAPE)為4.67%，屬於高準確之預測模式，本研究的預測準確度達到95.3%，在實務上有應用價值，可做為預測飛機零組件之故障時間的標準。
本研究結合主成分分析法及倒傳遞類神經網路，利用PCA簡化數據集的技術及BPN預測能力的特性，藉以提高直升機零組件故障時間預測，除了可作為於陸軍直升機各項組件預防性修護管理參考外，並可擴大應用於國軍各類裝備修護管理部門參考及運用，有效維持各類裝備的妥善並降低發生非預期性故障，提升國軍整替戰力。

The Army of R.O.C. shows high efficiency on various facets including maneuvers, disaster rescuing, training and so on. Not only the given missions, the Army’s helicopters also devote themselves to rescuing mission whenever there is a cataclysm happens in our homeland in order to protect citizens and their belongs. In that case, the operation readiness rate of the fleet would directly affect the missions. Moreover, if a unpredictable condition occurs on a helicopter, it will definitely cause a more severe damage. Therefore, constructing a “time-to-failed system” could bolster both the critical parts management and the operation readiness rate.
The research will focus on the ECU (electronic control unit) in a particular type of Taiwan Army helicopter’s engine (T700-GE-401). It includes 6 critical factors of ECU post-examined time to failure: ohmic resistance of Thermocouple Assembly, Hydro-mechanical Control Unit Linear Variable Displacement Transducer, Power Turbine Rotor Speed Sensor, Torque and Over-speed Sensor, Over-speed and Drain Valve Solenoid and Hydro-mechanical Control Unit Torque Motor. Taking the examination records of ECU in Taiwan Army since 2014 to 2017 as a sample, we analyzed them through PCA and found out the decisive element, variable parameter, trained it with BPN, measured the deviation value through Trial-and-Error and RMSE, then measured the ideal number of neurons, parameter between the time of learning-rate training versus learning-rate to conclude the best result. And it can help predicting the time-to-failure of ECU.
By analyzing the 3critical factors from 6 reasons of the engine failure through PCA , then importing them to BPN to train beyond the number of neurons is 12, learning-rate is 0.9 and the iteration is 50,000, the research shows that the MAPE is 4.67% which is classified as high-precision prediction mode. The accuracy is 95.3% which is high enough to be put into practice as a standard of aircraft component time-to failure prediction.
The methods in the research include PCA and BPN. Utilizing the technique of simplifying data through PCA and the prediction property of BPN to raise the efficiency of the time-to failure of aircraft components, the results can service the reference of preventative maintenance management and be widely applied on different equipment management in order to maintain the operation readiness rate and avert unpredictable failure, and improve the operation capability of Taiwan Army consequentially.

摘要 i
ABSTRACT ii
誌謝辭 iv
目錄 v
表目錄 vii
圖目錄 viii
第一章 　　緒論 1
第一節 研究背景與動機 1
第二節 研究目的 1
第三節 研究範圍 2
第四節 研究流程 2
第二章 　　文獻探討 5
第一節 T700-GE-401發動機 5
第二節 主成分分析法簡介與應用 10
第三節 類神經網路簡介與應用 15
第三章 　　研究方法 22
第一節 主成份分析 22
第二節 倒傳遞類神經網路預測模型建構 23
第三節 評估預測績效 27
第四章 　　研究實施與成果分析 29
第一節 主成分分析法解釋變異量的結果 29
第二節 倒傳遞類神經網路預測結果 36
第三節 預測準確度驗證 39
第五章 　　結論與建議 41
第一節 研究結論 41
第三節 後續研究建議 41
參考文獻 43
附錄A 45

林群賀(2011)。結合最佳化分群與倒傳遞網路於晶圓批生產週期時間之預測。未出版之碩士論文，私立逢甲大學工業工程與系統管理研究所，台中市。
孫瑛霙、王明庸、藍天雄(2014)。應用倒傳遞神經網路於負載啟斷開關接觸電阻預測之研究。管理資訊計算，4(1)，142-149。
張斐章、張麗秋、黃浩倫(2010)。類神經網路：理論與實務。台北：東華書局。
陳東穎(2013)。應用倒傳遞類神經網路預測飛機零組件使用壽命。未出版之碩士論文，私立大同大學工程學院工程管理研究所，台北市。
曾瑞穎(2015)。建立直升機主旋翼葉片維修策略-以國軍某型直升機旋翼系統為例。未出版之碩士論文，私立大同大學工程學院工程管理研究所，台北市。
楊東耿(2015)。應用倒傳遞類神經網路預測飛機零組件之故障時間-以T700-GE-401發動機電子控制單元為例。未出版之碩士論文，私立大同大學工程學院工程管理研究所，台北市。
葉怡成(2001)。類神經網路模式應用與實作。台北：儒林圖書有限公司。
謝邦昌、邱志洲(2000)。類神經網路分析。台北：曉園出版社。
藍天雄、邱誌偉、賴育民(2014)。建立飛機環控系統重要組件維修策略。管理資訊計算，4(1)，234-251。
羅華強(2005)。類神經網路-Matlab的應用(第二版)。台北：高立圖書有限公司。
蘇木春、張孝德(1999)。機械學習：類神經網路、模糊系統以及基因演算法則。台北：全華科技圖書股份有限公司。
蘇木春、張孝德(2004)。機械學習：類神經網路、模糊系統以及基因演算法則。台北：全華圖書股份有限公司。
Farley, B., & Clark, W. (1954). Simulation of self-organizing systems by digital computer. Transactions of the IRE Professional Group on Information Theory, 4(4), 76-84.
GE-Aviation. (2013). GEK 117491-1. WP 00400, 1, 3-10.
McCulloch, W. S., & Pitts W. A. (1990). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysecs, 5(4), 115-133.
Murry, J. W., & Hammons, J. O. (1995). Delphi: A versatile methodology for conductingqualitative research. The Review of Higher Education, 18(4), 423-436.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning Internal Representation by Error Propagation. Parallel Distributed Processing, 1, 318-362.
Sebzalli, Y. M., & Wang , X. Z. (2001). Knowledge discovery from process op- erational data using PCA and fuzzy clustering. Engineering Applications of Arti- ficial intelligence, 14, 607-616.
Sebzalli, Y. M., & Wang, X. Z. (2001). Knowledge discovery from process op- erational data using PCA and fuzzy clustering. Engineering Applications of Arti- ficial intelligence, 14, 607-616
Widrow, M. E., & Hoff, J. R. (1960). Adaptive Switchang Circuits. IRE WESCON Convention Record, 1, 96-104.
Yang, L. N., Peng, L., Zhang, L. M., Zang, L. L., & Yang, S. S. (2009). A predic- tion model for population occurrence of paddy stem borer (Scirpophaga incertulas), based on back propagation artificial neural network and principal components analysis. Computers and Electronics in Agriculture, 68, 200-206.